文档介绍：中文摘要随着托畔⒓际醯姆伤俜⒄梗畔⒐乇涞迷嚼丛窖现兀纱送萍鱿统应运而生。在推荐系统所采用的技术中,协同过滤是最为成功的技术。但是伴随着应用范围的扩大和应用环境的变化,协同过滤技术的一些缺点逐渐暴露出来,荐准确率的目的。首先利用用户属性提出一种新颖的相似度计算方法,突出了用专业意见和兴趣相似、背景相似的用户意见之间得到很好的调节,然后通过基于怂惴ㄆ交げ饨峁@砺鄯治龊褪笛榻峁砻鳎盟惴ㄓ行岣咄该算法通过提出并使用项目类别喜好度缓解了数据稀疏性,最终达到提高推荐种类型项目的喜好度,。预测评分时,根据项目的时间类最后在本文提出的算法基础上,设计并实现了电影推荐原型系统,对系统的各部分作了充分的总结和说明,为今后的进一步理论和实践研究奠定基础。关键词。推荐系统;协同过滤;稀疏性;冷启动例如数据稀疏性问题、冷启动问题、推荐准确率低等。为此,本文提出了两种协同过滤算法来缓解上述问题。岷献ḿ乙饧男怂惴该算法通过引入专家意见和用户的属性来缓解数据稀疏性,最终达到提高推户的背景知识,再将专家的专业评分和用户评分相结合,使得预测结果在专家的荐准确率。’谑奔浠值男怂惴准确率和缓解项目冷启动的目的。首先借助于项目的上架时间和当前时间将项目分为新项目、正常项目和旧项目;再根据用户对项目的评价时间得到用户对这三型的不同采用不同的方法。理论分析和实验结果表明,该算法有效提高推荐准确率和缓解项目冷启动问题。二:
一籸⋯丝士兰丝垒幽一■皇尽!!!!!!!!!,豬,衪%瞖,.,...甌..,.瓹,⑽’。·Ⅱ·.
:.琣;.。
录目协同过滤技术存在的问题与挑战⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.第滦送萍黾际踝凼觥协同过滤推荐方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.谀诖娴男恕评测标准和实验数据集⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.相关工作介绍⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯协同过滤推荐系统发展及现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.夥⒄⒄辜跋肿础本文主要研究内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯本文组织结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯协同过滤推荐的基本思想⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.专家与用户背景差异对预测的影响⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.结合专家意见的协同过滤算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯黑龙江大学硕士学位论文..⋯..
符号与定义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯最近邻的选择⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.嗨贫榷攘糠椒ā推荐结果的产生⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。第碌缬靶送萍鲈拖低矼⋯⋯⋯⋯。⋯⋯.系统设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..逑到峁埂系统实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.相关工作介绍⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⑵教ê⋯⋯⋯⋯.⋯⋯⋯⋯⋯